Posilované učení parametrizovaných akcí pro imitační učení

Abstract

Tato práce zkoumá výhody časové abstrakce v posilovacím učení zkoumáním dvou přístupů pro zobecnění akcí: Parameterized Action Markov Decision Processes (PAMDP) a rámce options. V této práci používáme zesílení Manipulation Primitive-augmented reinforcement Learning (MAPLE) algoritmus založený na struktuře PAMDPs. Popisujeme vnitřní fungování algoritmu MAPLE a jeho základního simulačního platformu Robostuite, navíc hodnotíme metodu v nových úlohách a s různými parametry. Kromě toho navrhujeme rozšíření metody informacemi z pozorování.

This thesis explores the benefits of temporal abstraction in reinforcement learning by examining two approaches for action generalization: Parameterized Action Markov Decision Processes (PAMDPs) and the options framework. In this work, we employ the Manipulation Primitive-augmented reinforcement Learning (MAPLE) algorithm founded on the PAMDPs framework. We describe the inner workings of the MAPLE algorithm and its underlying Robostuite simulation framework and evaluate the framework in new tasks and with different parameters. Moreover, we propose an extension to the framework to include observational information.